v2 · triagem por folha · OCR sob demanda · estado único

Extração incremental consolidada

Lê o PDF no navegador, decide folha por folha se o texto é confiável e só manda para OCR as folhas digitalizadas ou com miolo sem texto (OCR local, no próprio navegador). O texto limpo entra em blocos que cabem no tier barato (≤ 32k tokens) e cada bloco devolve apenas linhas novas ou correções para um único estado. Transcrição de audiência entra como segunda fonte no mesmo estado. Verificação opcional pelo TypeSafe/JEV (triagem, apoio das linhas no trecho e contradições).

1. Fontes

Escolher o PDF do processo Arraste para cá ou clique. Nada sai da máquina nesta etapa. Transcrição de audiência ou mídia (opcional: .txt, .md, .srt, .vtt)

2. OCR local (PaddleOCR no navegador)

Enviar para OCR Motor de OCR

A triagem informa a fila e o tempo estimado.

conferir imagens nas folhas suspeitas (mais lento; a triagem padrão usa só a geometria do texto)

Nenhuma folha na fila.

Comparação PP-OCRv6 × Tesseract (mesmas folhas)

folha	PP-OCRv6 chars	conf.	ms	Tesseract chars	conf.	ms	semelhança

Motor validado do produto: PP-OCRv6 Small via ONNX/WASM, ~1,2 s por folha no Chrome (4 threads) e ~3,6 s com 1 thread (as 45 folhas digitalizadas do processo de exemplo levariam cerca de 1 min). O Tesseract.js roda em paralelo só para comparar: escolha "os dois" e use "Comparar motores" para ver, na mesma folha, caracteres, confiança, tempo e a semelhança entre as duas leituras — a decisão fica com número, não com impressão.

3. Triagem das folhas

Leia o PDF para triar.

Folhas que exigem OCR ou revisão

—

4. Orçamento e credenciais

Teto de entrada (tokens) Alvo por bloco (tokens) Saída por bloco Pausa entre chamadas (ms)

Token Qwen (extração) Token TypeSafe (verificação JEV)

Os tokens ficam apenas na memória da aba e vão para o servidor local, que fala com os provedores. Nada é gravado no projeto.

5. Execução

Leia o PDF para calcular os blocos.

Nenhuma fonte selecionada.

Estado único do processo

Produto final: entregue este arquivo a qualquer IA.

#VAZIO — nada processado ainda.

Validação cruzada (regras, sem IA)

—

Mapa e consulta

O mapa diz onde cada assunto está (faixas automáticas pelo tipo da peça + faixas da IA).

Nada aberto.

Mapa (auto + IA)

—

Último delta e linhas ignoradas

—

Perguntar ao estado

Resposta com base apenas no estado; se faltar, a IA indica a faixa de folhas a abrir na consulta acima.

—

Verificação JEV (TypeSafe) — opcional

Julgamentos tipados e baratos, em paralelo à extração: confirmar a triagem das folhas ambíguas, checar se cada linha acrescentada tem apoio no trecho e procurar contradições no estado consolidado.

—

Log e exportação

Decisões desta versão

Triagem determinística, sem IA: a folha é classificada pela geometria do texto (miolo vazio), pelo volume de caracteres e pela presença de imagem — zero tokens e zero chamadas.
OCR local, sob demanda: só as folhas classificadas vão para o PaddleOCR no navegador; a decisão "esta folha precisa de OCR" é registrada por folha, com confiança do OCR e tempo real.
Validação cruzada por regras, sem IA: antes de o estado ser considerado pronto, o próprio código confere o RESUMO contra o corpo (status processual, testemunha presencial, versão invertida), a fusão de identidade em PESSOAS, ator de ato decisório e contradição espúria — aparece no painel do estado e no log, sem custo nenhum.
Estado único incremental: o modelo nunca reescreve o documento inteiro; devolve só linhas novas (+) ou correções (~), e o código funde, deduplica, unifica pessoas, canoniza datas e valida referências.
Dicionário de abreviações (¤n): frases longas repetidas viram códigos com legenda única, no texto enviado e no estado — vale para qualquer processo, não só para este padrão de assinatura.
Transcrição no mesmo estado: trechos de mídia entram como referências [T:n] ao lado das folhas [P:n], para a mesma resposta final.
Dois motores de OCR no mesmo teste: PP-OCRv6 (produto, local) e Tesseract.js (comparação), com tabela de caracteres, confiança, tempo e semelhança por folha.
Custo em dólar, tier de entrada: Qwen3.7 Flash no endpoint internacional custa $0,03 por milhão de tokens de entrada e $0,13 de saída (≤32k tokens por chamada; a faixa seguinte custa 3×, e o cache de prefixo cai para $0,006).